Grok 4.7 深度解析：Agent 系統多 9 分，為何綜合指數只多 2 分？（2026）

Grok 4.7 在 2026 年 9 月 21 日登場後，最醒目的訊號不是所有能力同步飛躍，而是 Coding Agent 系統的分數從 47 升到 56；同一套獨立評測裡，更廣泛的綜合指數卻只從 44 升到 46。這篇會先忠實拆解 xAI 的發表，再對照 Artificial Analysis 與 benchmark 原始資料，最後回答一個更實際的問題：這 9 分進步，有多少來自模型、有多少來自 Agent 系統，又用了多少額外推理預算？

先說結論：這是 Agent 系統升級，不是全面能力跳級

• 可量化的進步集中在 Agent：Artificial Analysis（AA）的 Coding Agent Index v1.5 顯示，Grok 4.7 xhigh 搭配新版 Grok Build 的整體系統由 46.97 升至 56.27，約多 9.30 分。
• 更廣泛的能力只小幅上升：同一版 Intelligence Index v4.3.2 是 46.45 對 44.31，約多 2.14 分；長上下文、科學與自動化等子項也有升有跌。
• 分數不是免費增加：同為 xhigh，AA 量到 Grok 4.7 每題平均輸出約 81k token，Grok 4.6 約 38k，超過 2.1 倍。
• 最重要的限制：比較同時換了模型與 Grok Build 版本，因此 +9 應歸因於「模型＋harness」系統，不能全部算在底層模型頭上。

如果你想先建立判讀基準，可以搭配AI 模型排行榜交叉判讀教學；若要回看前一代的產品脈絡，則可先讀Grok 4.6 與 Grok Bot 分析。要特別注意：舊文章的 61 分來自不同版本的 AA 指標，不能直接拿來和這次的 46 分相減。

xAI 說 Grok 4.7 改了什麼？

xAI 在 〈Introducing Grok 4.7〉中表示，這次換用比 Grok 4.6 更大的新基礎模型，接受更長時間的強化學習後訓練，題目也更偏向需要數小時完成的工作。官方還宣稱模型更會自我檢查、管理長上下文，並理解 Grok Build 的 Agent harness。

“Grok 4.7 uses a new, larger base model compared to Grok 4.6.”

中文：Grok 4.7 使用一個比 Grok 4.6 更大的新基礎模型。

xAI，〈Introducing Grok 4.7〉

這句話能確認的是更新方向，不是模型規模。xAI 的發表頁沒有給出參數量、訓練運算量或拆解各項改動的 ablation，因此「更大的模型」「更長的 RL」都應保留為公司披露，而不能進一步推成某個百分比或單一因果。比較合理的理解是：xAI 同時動了基礎模型、後訓練與 Agent 配合方式，目標是讓系統在長任務中持續規劃、操作工具與驗證結果。

獨立測試真正支持什麼？46 對 44，56 對 47

Artificial Analysis 的獨立評測把兩種問題分開：Intelligence Index 看較廣泛的知識、推理、科學與 Agent 任務；Coding Agent Index 則讓各模型使用原生 coding harness，實際讀檔、修改、執行與驗證。

“Grok Build with Grok 4.7 (xhigh) scores 56 on the Artificial Analysis Coding Agent Index, up from 47 with Grok 4.6 (xhigh).”

中文：Grok 4.7 xhigh 搭配 Grok Build 的 Coding Agent Index 得到 56 分，高於 Grok 4.6 xhigh 的 47 分。

Artificial Analysis，2026 年 9 月 21 日

精確數字更能看出差異。Intelligence Index v4.3.2 中，Grok 4.7 xhigh 是 46.4466，Grok 4.6 high 是 44.3113，增加 2.1353 分。Coding Agent Index v1.5 中，Grok 4.7 xhigh＋Grok Build 是 56.2676，前代組合是 46.9690，增加 9.2987 分。這支持「coding-agent 能力有明顯進步」，卻不支持「所有能力全面躍升」。

三個 coding 子測試也全數上升：DeepSWE 約 64.90%→72.57%、Terminal-Bench 17.68%→33.33%、SWE-Atlas-QnA 58.33%→62.90%。但這仍是特定 benchmark、特定努力等級與特定 Agent 組合下的結果，不等於在每個程式庫、語言或工作流程都能複製同樣幅度。類似的系統級判讀，也可參考SWE-2 成本主張與實測落差分析。

為什麼 +9 不能全部算給模型？Harness 也換版了

Coding Agent 不是單次問答。最終分數同時受到提示、工具、檔案探索、context 管理、重試、測試執行與停止條件影響。AA 的執行規格顯示，Grok 4.7 使用 Grok Build 1.0.40，Grok 4.6 使用 1.0.13；也就是說，模型與 harness 版本一起改了。

同一個 Terminal-Bench 4.0 就能看到設定敏感度：Grok 4.7 在 AA 標準化 mini-swe-agent harness 是 25.76%，在 AA 的原生 Grok Build 執行是 33.33%，xAI 自家發表表格則是 38.0%。這三個數字不一定互相矛盾，它們測的是不同系統配置。閱讀 Agent 榜單時，至少要同時問四件事：模型版本、reasoning effort、harness 版本，以及工具／網路權限。

xAI 的發表表格還混用了 Grok 4.7 xhigh、Grok 4.6 high 與競品 max 等不同 effort；DeepSWE 的 Grok 4.7 列另有 high 註記。它適合看產品定位，不適合作為乾淨的模型消融實驗。若想看另一個「榜單分數、價格與速度不能只選一項」的案例，可延伸讀Step 5 Preview 的 Pareto Frontier 分析。

更高分的代價：同為 xhigh，輸出 Token 超過 2 倍

Grok 4.7 與 4.6 的標準 API 每 token 單價相同，但每 token 同價不代表每項任務同成本。AA 在同為 xhigh 的 Intelligence Index 量到，4.7 每題約輸出 81k token，4.6 約 38k，約為 2.13 倍。AA 的完整測試成本估算也從每題 2.32 美元增至 3.74 美元。

在 Coding Agent Index，差距更大：4.7 系統每題估計 8.82 美元、39.2 分鐘、14.3M token；4.6 系統是 3.57 美元、19.5 分鐘、5.5M token。這些是 AA 特定 harness 與計價模型下的估算，不是每位使用者的帳單；它們仍揭示一件重要事：這次進步有一部分來自更多 test-time compute。真正該比較的是「每個被接受成果的成本」，而不是只有百萬 token 標價。

Benchmark 仍有硬限制：DeepSWE 至少 23 題可能誤判

DeepSWE 占 Coding Agent Index 三分之一，卻不是沒有瑕疵。Epoch AI 在 2026 年 9 月 7 日的獨立審核把 DeepSWE v1.1 評為「Flawed」，指出至少 23／113 題存在可能造成 false negative 的評分問題；常見情況是模型新增的測試和隱藏 verifier 衝突。

Epoch 的審核只檢查 DeepSWE 題目與 verifier，不能用來推論 Grok 4.7 是否作弊；它能支持的結論是：絕對分數與小幅排名差需要保守解讀。更可靠的訊號是三個 coding 子測試方向一致向上，而且其他獨立資料也看到長任務改善；不可靠的說法則是把單一榜單名次擴大成「世界最強 coding 模型」。若要深入理解不同榜單為何會給出不同答案，可再看Fable 5.1 與 GPT-6 Astra 雙榜比較。

API 與 Copilot：現在能在哪裡使用？

依 xAI 官方文件，公開 API 模型 ID 是 grok-4.7，支援 Responses API 與 Chat Completions，context window 為 500k，reasoning effort 可選 low、medium、high 與 xhigh。它能接收文字與圖片、輸出文字，也能配合 function calling、網頁搜尋、X 搜尋與程式執行。

• Prompt 不超過 200k token：每百萬 token 為輸入 2 美元、快取輸入 0.50 美元、輸出 6 美元。
• Prompt 超過 200k token：費率提高為輸入 4 美元、快取輸入 1 美元、輸出 12 美元。
• Fast 版本：官方把它描述為同一模型的較快服務，token 單價為標準版兩倍，使用範圍是 Cursor 與 Grok Build。

GitHub 在 9 月 21 日的官方 changelog也確認 Grok 4.7 已列為 GA，並在 Copilot 分批推出；實際是否出現在選單，仍取決於方案、客戶端版本與組織模型政策。想了解前代 API 與 Coding Agent 的實際接法，可搭配Grok 4.6 API 與 Coding Agent 實戰，但價格與型號仍應以 4.7 最新文件為準。

安全聲明：先當公司自評，不當獨立結論

xAI 另外宣稱 Grok 4.7 採用全新的 safeguard stack，並在自家發表頁列出 LatchBio 與 HackerBench v0.3 成績。但發表頁沒有提供足以重建 HackerBench 結果的完整方法、任務數與公開 artifact；因此本文只把這一段視為 xAI 的系統安全自評，不用它推導「Grok 4.7 已被獨立證明更安全」。對企業使用者而言，更可操作的問題是：實際部署是否保留相同的過濾、工具權限、稽核與人工覆核。

AlphaLab 判讀：值得測，但要測「成果成本」

我同意 xAI 的地方是：Grok 4.7 把改進集中在真正會消耗工程時間的長任務，而 AA 的三個 coding 子測試與知識工作測試提供了外部支持。這不是只有改名或微小波動；在特定 Agent 系統裡，完成率確實跨了一個可感知的幅度。

我保留的地方是：更廣泛的綜合能力只增加約 2 分，harness 也同時換版，而且同 effort 的輸出 token 超過兩倍。最合理的結論不是「Grok 4.7 全面領先」，而是「Grok 4.7＋新版 Grok Build 在長時間 coding-agent 任務上變得更有競爭力，代價是更多推理預算」。

實際評估 Grok 4.7，請固定這 6 個條件

1. 挑 10～30 個真實工作，不用只問短題；至少包含跨檔案修改、測試、文件整理與失敗修復。
2. 固定同一個 harness、工具權限、提示與版本，只更換模型；再另做一次「連 harness 一起換」的系統比較。
3. 讓 high 對 high、xhigh 對 xhigh，不把不同推理預算混成模型差距。
4. 記錄成功率、總 token、牆鐘時間、重跑次數與人工修正時間。
5. 同一任務重複多次，避免把一次幸運解題當成穩定能力。
6. 最後計算「每個被接受成果的成本」；若多用 token 能減少重跑與人工修正，它才真的更划算。

Agent 評測的核心不是找一個永遠正確的總分，而是先定義你允許系統做什麼、成功條件是什麼，再把模型與 harness 的貢獻拆開。若團隊正在建立自己的驗收流程，這也是建立 AI Agent Harness時最應先固定的基線。

Grok 4.7 常見問題

Grok 4.7 是目前最強的 coding 模型嗎？

現有證據只支持它在特定模型、effort 與原生 harness 組合中進入前列。AA 的 Coding Agent Index 仍有其他系統得分更高，而不同 harness 也會讓同一 benchmark 出現明顯差距。

Grok 4.7 比 Grok 4.6 便宜嗎？

標準 API 的每 token 單價相同；每項任務總成本不一定相同。AA 的 xhigh 測試中，4.7 使用更多輸出 token，但若它能減少失敗、重跑與人工修正，某些工作仍可能有更低的成果成本。

為什麼綜合指數只多 2 分，Coding Agent 卻多 9 分？

兩個指標的任務與權重不同；Coding Agent Index 又採原生 harness，並且這次 Grok Build 版本也更新。它說明改進集中在 coding-agent 系統，不代表兩個分數互相矛盾。